Google 於 2026 年 10 月 14 日正式在全球推出 Gemini 4 Argon，涵蓋編碼、知識工作、企業工作流程及網路安全防禦。存取範圍包括付費 Gemini API、Gemini 平台、Google AI Pro 和 Ultra 訂閱、Gemini 應用中的 AI Mode、Search 中的 AI Mode，以及 Antigravity 中的 Ultra 版本。官方發布取代了先前關於存取僅限於網路安全防禦者的說法。

定價方面，Argon 的 introductory API 費率為每百萬輸入/輸出 token $2/$10，快取輸入享有 95% 折扣。Artificial Analysis 指出，這些費率在 11 月 30 日後將翻倍至 $4/$20，這對於成本比較是一個重要的限定條件。Google 提供 10,000 名科學家免費使用 Antigravity 最高使用層級六個月的申請計劃；網路安全防禦者可透過 Fairwind 申請。

Google 內部結果顯示，Argon 協助將核心網頁處理從一個 600 萬行的舊版 Chromium 資料夾中分離出來，將數月的工作縮短至數週，並消除了一類瀏覽器崩潰。Google 還報告稱，代理式程式碼提交增加了 35%，回滾減少了近三分之一。這些是內部部署聲明，而非受控的生產力測量。

DeepMind 研究人員描述 Argon 從人類影片中推導出 cornhole 模擬，在 Apptronik 的 Apollo 機器人上執行系統識別並優化投擲，最終實現連續七次成功投擲。儘管一篇貼文中使用了「zero-shot」一詞，但描述的工作流程包括真實機器人的嘗試和優化。

開發者分發方面，Argon 可在 Cursor、Devin Desktop/CLI 和 GitHub Copilot 中使用。Cursor 報告在預設努力程度下 CursorBench 得分為 52.8%，與 Opus 5.5 相當；Cognition 報告在 FrontierCode 1.1 上得分為 60.5%，並提供 Devin 75% 的折扣直至 10 月 27 日。Antigravity 的編碼介面正進入 Gemini macOS 應用，而 Gemini 支援連接超過 40 個應用，包括 Instacart、OpenTable、Adobe 和 Shopify。

Meta 推出了 Muse Wonder，強調個人助理以及編碼。「Active Focus」針對持久性、恢復和替代方法；「Active Memory」針對相關且更新的個人上下文。Alexandr Wang 明確指出，Muse 中的消費者使用是主要開發用例。引用的 MemoryBench 評估長對話中的更新事實；它並未確立持久的跨會話記憶。歸因的分析還指出，一些標題中的勝利依賴內部評估或省略了相關競爭模型。

Muse 的推出和經濟性方面，強烈的編碼反應與昂貴、限制性訂閱的回報並存。一名用戶在幾次升級後耗盡了 $200 計劃的五小時配額；另一名用戶最初讚揚寬鬆的限制，然後報告在一天內耗盡了每週 $200 的配額。這些是特定工作負載的軼事，而非確定的配額比較。Wang 承認了部署問題，隨後表示 Meta 一直在修復推出問題。因此，早期評論混合了模型能力和不斷變化的服務體驗。

獨立評估顯示，Artificial Analysis 將 Argon 在其 Intelligence Index 上與 GPT-6 Astra 置於同等水平，在 introductory 定價下，每任務成本約為 Astra 的 60%：$1.99 每任務。它報告了顯著的代理式增益和 15% 的 AA-Omniscience 幻覺率，這是得分至少 45 的模型中最低的。AA-Omniscience 的幻覺指標不應被解讀為整體錯誤率；棄權會改變其解讀。Arena 將 Argon High 排在第五位，落後於 Opus 5.5、GPT-6.1 Sol、Fable 5.1 和 GPT-6 Astra（Max 努力程度）。其修訂後的 Bash Reliability 信號將正確的首次命令使用歸功於模型，並隔離了由代理引起的失敗。

Roboflow 的評估報告 Argon High 在文字定位/識別方面得分為 84.7%，而 Astra 為 76.8%；在物件檢測方面得分為 85.1%，而 Astra 為 83.6%。它報告在該配置下，成本和延遲約為 Astra 的四分之一，每張圖片延遲為 19.6 秒，而 Astra 為 29.7 秒。LlamaIndex 發現 Argon、Muse Spark 和 Wonder 在困難的文件 OCR 方面表現強勁，強調了它們各自價格點上的表格理解能力，以及具有競爭力的圖表、閱讀順序和格式識別能力。

Theo 的真實工作比較讚揚 Wonder Full 找到了現有的修正 PR，而不是產生不必要的程式碼；摘要描述了對三個模型八個 PR 的盲評，並進行人工審核。另外，Pawel Huryn 的 105 個錯誤測試報告 Wonder 得分為 44，而 Astra 為 45，Opus 為 41.7。Theo 認為 Wonder 在 UI 生成方面表現不佳。Design Arena 預測其在整體前端排名第五，網站排名前三，而 Arena 隨後將 Wonder Max 排在 WebDev 第 15 位，但在 Text Arena 排名第二。這些評估不同的工作負載和偏好，而非單一可互換的品質概念。

Ethan Mollick 描述了 Argon 在創造力、寫作和代理行為方面的重大改進，但在複雜的多代理執行、過度自信和外殼限制方面較弱。Theo 報告在 Skatebench-private 上獲得完美分數，但在他的程式碼庫分析基準測試上，虛假聲明率超過 50%。可行的區別在於令人印象深刻的構建能力與可信的分析之間。

其他發布包括：Artificial Analysis 推出了 Decision Index，Jev 1.13 以 58 分領先，Haiku 5.5 Low 得分 61 但成本為 $184 對比 $42 每百萬任務，且每任務耗時 1.4 秒對比 0.13 秒。ScaleDown 推出了 Classify、Extract 和 Summarize 端點，支援 100 萬 token 多模態輸入，每百萬輸入 token $0.05，輸出免費。Bespoke 宣布了 Nimble-v4 和 v4-max，聲稱在 Decision Index 上比 Jev 1.13 分別提高 6 分和 10 分；Nimble-v4 為 9B，v4-max 的大小未說明。Fish Audio 發布了 Drama 3 開源權重 TTS 模型，支援 83 種語言，在發音穩健性上以 93.2% 領先 Eleven v4 的 91.7%，API 定價為每百萬字元 $15。Indra 是一個 100 萬參數的 OCR 模型，在 CPU 上報告每秒 49 頁。Cartwheel 的 Swing Choreo 生成有序的多人生動，具有表現力的手部和面部。

基礎設施方面，Anthropic 報告每日合併次數從 5 月的約 2,500 次增加到 9 月的超過 30,000 次，並在五個月內建立新的版本控制系統並將單倉庫從 Git 遷移。DeepMind 的 Evo2 通過 proposer/reflector 角色、SFT 和交錯的 GRPO 共同演化外殼編輯和模型權重，報告結果達到 48.3% SWE-bench Verified 和 82.1% Polyglot。Meta/MIT 的 ReHarness 使用下游任務結果重寫檢索到的反思。LongHarness 將證據和結論分離為明確狀態，報告 GLM-5.3-Flash 在 OfficeQA Pro V2 上的精確匹配從 4.4% 提高到 61.1%，無需更改模型。Kylon 推出了人類和現有代理的工作空間。ThunderSync 計算梯度作為獎勵或教師分數可用時，聲稱與批次同步更新數學上等價，加速高達 1.9 倍。Modal 報告使用混合精度、混合加速器採樣器的穩定非同步代理式編碼 RL，以較低成本匹配同質採樣器的收斂。NVIDIA 開源了完整的 Run:ai 平台。AA 發布了測量的快取命中率和特定供應商的每任務成本；GLM-5.3 Max 每任務 $0.92–$8.68，主要反映快取輸入定價。vLLM 新增了 ReplaySSM-backed Mamba 支援（原文截斷）。

事件背景

Vals AI 的 CEO 在 AI Engineer NYC 大會上討論了對 Argon 等模型進行基準測試的原則。CursorBench 是 Cursor 報告 Gemini 4 Argon 得分的基準測試。Artificial Analysis 發布了 Intelligence Index、Decision Index 以及關於模型成本、延遲和幻覺率的數據。Arena 提供了 Argon 和 Muse Wonder 在不同任務（如 WebDev、Text Arena）中的排名。Roboflow 發布了關於 Argon 在視覺任務上的評估結果。LlamaIndex 發布了關於 Argon 在文檔 OCR 任務上的評估結果。